УДК 681.5

ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕВЫХ МЕТОДОВ ДЛЯ РЕШЕНИЯ ЗАДАЧ ИДЕНТИФИКАЦИИ ОБЪЕКТОВ

Федоров Максим Михайлович
Национальный исследовательский Томский политехнический университет

Аннотация
В статье рассмотрены аспекты использования модифицированных нейросетевых структур на основе карт Кохонена для решения задач идентификации динамических объектов.

Ключевые слова: идентификация объектов управления, карты Кохонена, математическая модель, нейросети


THE NEURAL NETWORK METHODS FOR SOLVING THE PROBLEMS OF OBJECTS IDENTIFICATION

Fedorov Maxim Mikhaylovich
Tomsk Polytechnic University

Abstract
The article assesses the perspectives and the possibility of using the modified neural network structures based on Kohonen maps for solving the problems of objects identification.

Keywords: Kohonen maps, mathematical model, neural network, object identification


Рубрика: 05.00.00 ТЕХНИЧЕСКИЕ НАУКИ

Библиографическая ссылка на статью:
Федоров М.М. Использование нейросетевых методов для решения задач идентификации объектов // Современные научные исследования и инновации. 2013. № 9 [Электронный ресурс]. URL: http://web.snauka.ru/issues/2013/09/26285 (дата обращения: 30.09.2017).

Для проведения эксперимента модификации карт Кохонена VQTAM и SOMxVQTAM имели размерность 4×5 и проводилось обучение на одной выборке, которая состоит из 1000 точек, выбранных с одинаковым интервалом на промежутке [0, 2pi] в  функции типа  .

Выборка была разделена на тестовую и обучающую в соотношении 6:4. Во время экспериментов были рассчитаны максимальная относ. ошибка MAXPE и среднеквадратическая относ. ошибка RMSPE. Расчет был проведен по  следующим формулам:

 

На рисунке 1 изображен результат работы сети VQTAM. Ошибка сети на обучающей выборке: MAXPE = 35.14%, RMSPE = 4.78%, на тестовой: MAXPE = 34.32%, RMSPE = 4.3%.

Рис. 1. Результаты эксперимента сети типа VQTAM. Черным цветом на графике обозначены тестовая и обучающая выборки, разделенные пунктирной линией, серым  цветом обозначены результаты работы сети.

Результаты работы сети типа SOMxVQTAM показаны на рисунке 2. В качестве модуля использовались VQTAM размерности 5×5. Ошибка сети на обучающей выборке: MAXPE = 24.24%, RMSPE = 6.99%, на тестовой: MAXPE = 24.38%, RMSPE = 6.77%.

Рис. 2. Результаты  эксперимента сети типа SOMхVQTAM.

Заключение

В предложенной статье были рассмотрены особенности работы нейросетей на основе нейросетевых структур карт Кохонена, которые могут быть достаточно эффективно применяться для идентификации динамических объектов разных уровней сложности. Преимуществом подобных подходов к идентификации, можно отметить относительную несложность процесса обучения рассматриваемых типов сетей, а также возможность получения приемлемой точности прогноза после кратковременного процесса обучения.

 Проведенные  эксперименты обосновывают необходимость исследования возможностей более сложных модульных нейронных сетей для идентификации объектов. Также, при дальнейшем исследовании подобных типов сетей стоит отметить способность модификационных карт Кохонена к повторным обучениям на новых выборках.


Библиографический список
  1. Алексеев А.А., Кораблев Ю.А. , Шестопалов М.Ю. Идентификация и диагностика систем . – М.: Издательский центр «Академия», 2009. – 352 с.
  2. Льюнг Л. Идентификация систем. Теория для пользователя.- М.: Наука, 1991. – 432 с.
  3. Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт, Альпина Паблишер, 2001, 317 стр. ISBN 5-89684-013-6
  4. Pal N.R., Bezdek J.C. Extentions of self-organizing feature maps for improved visual displays / Proc. Int. Joint Conf. on Neural Networks (IJCNN’1993), Nagoya, Japan, 1993. Vol.3. – pp.2441-2447.
  5. Аверкин А.Н., Повидало И.С,   XIII нац. конф. по искусственному интеллекту с международным участием, г. Белгород : Изд-во БГТУ,  2012


Все статьи автора «MF»


© Если вы обнаружили нарушение авторских или смежных прав, пожалуйста, незамедлительно сообщите нам об этом по электронной почте или через форму обратной связи.

Связь с автором (комментарии/рецензии к статье)